أفضل 8 أدوات وخوارزميات مفتوحة المصدر لتتبع الكائنات

عندما تتجاوز سيارة إشارة حمراء وتُرسل مخالفة تلقائية إلى السائق، أو عندما يراوغ لاعب كرة قدم في الملعب وتتبعه الكاميرا بسلاسة أثناء اللعب، يعمل الذكاء الاصطناعي بهدوء في الخلفية. وعلى وجه الخصوص، تعتمد هذه الأنظمة على رؤية الحاسوب، وهو مجال فرعي من الذكاء الاصطناعي يمكّن الآلات من رؤية المعلومات المرئية من العالم وتفسيرها وفهمها.

ضمن رؤية الحاسوب، تُعد تتبع الكائنات إحدى المهام الرئيسية وراء هذه التطبيقات. حيث تُستخدم لتحديد الكائنات في كل إطار من الفيديو ثم متابعة تلك الكائنات أثناء حركتها، أو تداخلها مع كائنات أخرى، أو تغيير اتجاهها.

هناك العديد من أدوات تتبع الكائنات والخوارزميات المتاحة اليوم، وكل منها مصمم لحالات استخدام واحتياجات أداء ومستويات تعقيد مختلفة. يركز بعضها على السرعة ويمكنه تتبع عشرات الكائنات في الوقت الفعلي، بينما يعطي البعض الآخر الأولوية للدقة أو الاستقرار طويل المدى في الظروف الصعبة مثل التغطية، أو الحركة السريعة، أو الإضاءة المنخفضة.

على وجه التحديد، لعبت المشاريع مفتوحة المصدر دوراً رئيسياً في تطوير هذا المجال. ولأن كودها متاح بشكل مفتوح، يمكن للمطورين والباحثين دراسة كيفية عملها، وتحسين الأساليب الحالية، وتكييفها مع تطبيقات جديدة. وقد ساعد هذا الانفتاح تتبع الكائنات على التطور بسرعة وأصبح من الأسهل دمجه في أنظمة العالم الحقيقي.

في هذه المقالة، سوف نستكشف ثماني أدوات وخوارزميات شهيرة مفتوحة المصدر لتتبع الكائنات. لنبدأ!

Link to this sectionما هو تتبع الكائنات؟#

تخيل سيناريو يراقب فيه حارس أمن لقطات كاميرات المراقبة (CCTV) لموقف سيارات. قرر الحارس مراقبة سيارة حمراء واحدة. أثناء تشغيل الفيديو، يقوم ذهنياً بتمييز تلك السيارة ويستمر في تتبعها أينما ذهبت، حتى عندما تمر سيارات أخرى أو يمشي أشخاص أمامها.

يشبه تتبع الكائنات المعتمد على الذكاء الاصطناعي ذلك، لكنه يعمل تلقائياً وبنطاق واسع. بعبارة أخرى، تتبع الكائنات هو عملية متابعة كائن أثناء تحركه عبر إطارات الفيديو والحفاظ على هويته متسقة من إطار إلى آخر.

في العديد من الأنظمة، يبدأ هذا بـ اكتشاف الكائنات، الذي يعثر على الكائنات مثل الأشخاص أو المركبات أو لافتات الطرق ويصنفها في كل إطار. ثم، بينما تتحرك هذه الكائنات أو تظهر أو تختفي أو تتداخل، يقوم نظام التتبع بربط عمليات الاكتشاف عبر الإطارات ليعرف أي كائن هو المعني وأين يتجه كل واحد منها بمرور الوقت.

الشكل 1. نظرة على تتبع الكائنات (المصدر)

هناك نوعان شائعان من التتبع: تتبع الكائن المفرد (SOT)، الذي يركز على كائن رئيسي واحد (مثل تتبع الكرة فقط في فيديو رياضي)، وتتبع الكائنات المتعددة (MOT)، الذي يتابع العديد من الكائنات في وقت واحد ويخصص لكل منها معرّفاً فريداً (مثل تتبع جميع السيارات عند تقاطع مزدحم).

بغض النظر عن نوع التتبع، تعتمد معظم الأنظمة على ثلاثة مكونات أساسية: كاشف للعثور على الكائنات في كل إطار، ونموذج حركة للتنبؤ بكيفية تحرك تلك الكائنات، وخطوة مطابقة لربط الاكتشافات الجديدة بالكائنات التي تم تتبعها مسبقاً. تحول هذه الأجزاء الفيديو الخام إلى معلومات ذات مغزى حول كيفية تحرك الكائنات وتفاعلها بمرور الوقت.

Link to this sectionالحاجة إلى أدوات تتبع الكائنات مفتوحة المصدر#

قبل أن نتعمق في التفاصيل، قد تتساءل: ما الذي يجعل أدوات وخوارزميات تتبع الكائنات مفتوحة المصدر مميزة جداً؟

لعبت الأدوات مفتوحة المصدر دوراً كبيراً في جعل تتبع الكائنات أسهل في الاستخدام وأكثر توافراً على نطاق واسع. ولأن الكود مفتوح، يمكن للمطورين والباحثين رؤية كيفية عمل المتتبع بالضبط، والتعلم منه، وتكييفه مع مشاريعهم الخاصة بدلاً من التعامل معه كصندوق أسود.

كما أنها تستفيد من مجتمعات قوية. يتم صيانة العديد من أدوات التتبع مفتوحة المصدر من قبل مساهمين نشطين يضيفون ميزات جديدة، ويحسنون السرعة والدقة، ويصلحون الأخطاء، ويحافظون على توافق الأدوات مع أحدث الأبحاث. يساعد هذا التعاون المستمر في الحفاظ على موثوقيتها وفائدتها عبر تطبيقات مختلفة.

التكلفة هي سبب كبير آخر لأهميتها. ونظراً لأن الأدوات مفتوحة المصدر مجانية، يمكن للطلاب والشركات الناشئة والفرق الصغيرة تجربة النماذج الأولية وبناء أنظمة حقيقية دون القلق بشأن رسوم الترخيص أو تكاليف الاشتراك.

Link to this sectionأفضل 8 أدوات وخوارزميات مفتوحة المصدر لتتبع الكائنات#

تتوفر مجموعة واسعة من الخيارات مفتوحة المصدر اليوم لبناء أنظمة التتبع. بعضها عبارة عن خوارزميات أو نماذج تتبع يمكنك توصيلها مباشرة بخط المعالجة الخاص بك، بينما البعض الآخر عبارة عن مكتبات وأطر عمل تجعل تشغيل تلك النماذج وإدارتها ودمجها أسهل. معاً، تغطي كل شيء بدءاً من منطق التتبع الأساسي وصولاً إلى الأدوات المحيطة التي تحتاجها في مشروع حقيقي.

بعد ذلك، دعونا نلقي نظرة على ثماني أدوات وخوارزميات شهيرة مفتوحة المصدر لتتبع الكائنات.

Link to this sectionنماذج Ultralytics YOLO وحزمة Ultralytics Python#

أحد أسهل الخيارات وأكثرها عملية لتتبع الكائنات هو استخدام نماذج Ultralytics YOLO بالاشتراك مع حزمة Ultralytics Python. نماذج Ultralytics YOLO مثل Ultralytics YOLO11 و Ultralytics YOLO26 المرتقب هي نماذج رؤية حاسوبية تدعم مجموعة من مهام الرؤية، بما في ذلك اكتشاف الكائنات، وتجزئة المثيلات، وتقدير الوضع، وتتبع الكائنات.

الشكل 2. مثال على استخدام YOLO11 لاكتشاف الكائنات وتتبعها. (المصدر)

ومن المثير للاهتمام أن النماذج نفسها لا تتتبع الكائنات عبر الإطارات. بدلاً من ذلك، تجعل حزمة Ultralytics Python، وهي مكتبة تبسّط تشغيل نماذج Ultralytics YOLO ونشرها، التتبع ممكناً من خلال الجمع بين عمليات الاكتشاف التي يقوم بها YOLO لكل إطار على حدة وخوارزميات تتبع كائنات متعددة متخصصة مثل BoT-SORT وByteTrack.

بفضل قدرة التتبع المضمنة، يمكن استخدام حزمة Ultralytics ونماذج Ultralytics YOLO لاكتشاف الكائنات في كل إطار ثم تعيين معرفات متسقة لها بحيث يمكن متابعتها أثناء حركتها، وتداخلها، وخروجها من الإطار، وإعادة دخولها لاحقاً. يتم اعتماد هذا النهج بشكل متزايد في قطاعات مثل التصنيع وتجارة التجزئة، مما يتيح تطبيقات مثل سير عمل فحص العيوب، وتتبع تدفق المخزون، وتتبع العملاء داخل المتجر.

Link to this sectionمتتبعات OpenCV#

OpenCV هي مكتبة واسعة لرؤية الحاسوب تتضمن مجموعة من خوارزميات تتبع الكائنات. وقد تم تطوير هذه المكتبة وصيانتها من قبل مجتمع OpenCV منذ عام 1999.

بدلاً من الاعتماد على التعلم العميق، تستخدم معظم هذه المتتبعات طرق رؤية حاسوبية تقليدية مثل مرشحات الارتباط والتقنيات القائمة على النواة (التي تتبع كائناً عن طريق مطابقة مظهره المرئي، مثل اللون والملمس، من إطار إلى آخر، بدلاً من تعلم السمات باستخدام الشبكات العصبية).

عند استخدام هذه الخوارزميات، يمكنك عادةً أولاً تحديد الكائن الذي تريد تتبعه، ويبحث المتتبع باستمرار عن المنطقة المرئية الأكثر تشابهاً في الإطارات اللاحقة أثناء تحرك الكائن.

الشكل 3. تتبع الكائنات باستخدام OpenCV (المصدر)

على الرغم من أن هذه الطرق قد لا تكون قوية مثل أنظمة التتبع الحديثة القائمة على التعلم العميق في المشاهد المعقدة أو المزدحمة، إلا أنها لا تزال تستخدم على نطاق واسع لأنها خفيفة وسريعة وسهلة التشغيل. أيضاً، نظراً لأن هذه المتتبعات تعمل بكفاءة على وحدات المعالجة المركزية (CPU) وعادة لا تتطلب وحدة معالجة رسومات (GPU)، فهي تعمل بشكل جيد للتجارب السريعة والتعلم في الفصول الدراسية والمشاريع الهواية.

Link to this sectionByteTrack#

ByteTrack هي واحدة من أكثر الخوارزميات مفتوحة المصدر شيوعاً لتتبع الكائنات المتعددة. بدلاً من مطابقة عمليات الاكتشاف التي يكون النموذج متأكداً جداً منها فقط، فإنها تستخدم أيضاً عمليات الاكتشاف منخفضة الثقة التي تتجاهلها العديد من الأنظمة عادةً.

يساعدها هذا على تتبع الكائنات التي يصعب رؤيتها لفترة وجيزة، مثل عندما تكون محجوبة جزئياً، أو بعيدة، أو تتحرك بسرعة. ولأنها سريعة وموثوقة، تُستخدم ByteTrack بشكل شائع في تطبيقات مثل تحليل حركة المرور، وتتبع المشاة، ومراقبة التجزئة، حيث يكون الأداء في الوقت الفعلي والمعرفات المتسقة أمراً مهماً.

كما ذُكر سابقاً، إذا كنت تستخدم نماذج Ultralytics YOLO للاكتشاف، فمن السهل تمكين ByteTrack من خلال حزمة Ultralytics Python. ولكن يمكن استخدامها أيضاً بشكل مستقل في خطوط معالجة مخصصة، مما يجعلها مناسبة لكل شيء بدءاً من نماذج الأبحاث الأولية وصولاً إلى أنظمة الإنتاج المكتوبة بلغة C++.

Link to this sectionDeepSORT#

خوارزمية أخرى مستخدمة على نطاق واسع لتتبع الكائنات المتعددة هي DeepSORT، وهي اختصار لـ Deep Simple Online and Real-Time Tracking. وهي نسخة متقدمة من SORT، والتي ترمز إلى Simple Online and Real-Time Tracking.

على غرار ByteTrack، تتبع SORT نهج التتبع بالاكتشاف. ومع ذلك، تعتمد SORT على مرشح كالمان، وهو نموذج رياضي يقدر الموضع المستقبلي للكائن بناءً على حركته السابقة، للتنبؤ بالمكان الذي من المرجح أن يتحرك إليه كل كائن بعد ذلك.

ثم تقوم بمطابقة الاكتشافات الجديدة مع المسارات الحالية، بشكل رئيسي بناءً على الموضع وتداخل مربع الإحاطة. وهذا يجعل SORT سريعة وخفيفة، لكنها قد تواجه صعوبة عندما تتداخل الكائنات، أو تتقاطع مساراتها، أو تختفي لفترة وجيزة من العرض.

تعمل DeepSORT على تحسين SORT بإضافة معلومات المظهر إلى عملية التتبع. بالإضافة إلى الحركة والموضع، فهي تستخدم نموذج إعادة تعريف (re-identification أو re-id) قائماً على التعلم العميق يتعلم كيف تبدو الكائنات. يسمح هذا للمتتبع بالتعرف على نفس الكائن عبر الإطارات، حتى عندما لا تكون الحركة كافية لتمييزه عن الآخرين.

وبسبب هذا، تُستخدم DeepSORT بشكل شائع في تطبيقات مثل المراقبة ورصد الحشود، حيث يتداخل الأشخاص بشكل متكرر أو يتم حجبهم لفترة وجيزة. ومع ذلك، فهي تُعتبر أساساً كلاسيكياً اليوم، وغالباً ما تحقق طرق التتبع الأحدث أداءً أفضل في المشاهد الأكثر تحدياً.

Link to this sectionNorfair#

Norfair هي مكتبة تتبع خفيفة مصممة لتكون مرنة، بدلاً من إجبارك على استخدام خط تتبع ثابت. يمكنها إضافة التتبع فوق أي كاشف تقريباً، طالما يمكن تمثيل مخرجات الكاشف كمجموعة من النقاط، مثل مراكز مربعات الإحاطة، أو النقاط الرئيسية، أو بيانات الإحداثيات المخصصة.

الشكل 4. تتبع الكائنات في العالم الحقيقي باستخدام Norfair (المصدر)

هذه المرونة تجعلها مؤثرة بشكل خاص للمشاريع التي تتضمن مدخلات غير عادية أو أنماط حركة ديناميكية حيث قد تفشل أدوات تتبع الكائنات المتعددة القياسية. توفر المكتبة أيضاً وظائف مسافة مدمجة للتحكم في كيفية مطابقة الاكتشافات عبر الإطارات.

تقيس وظائف المسافة هذه مدى تشابه نقطتين أو كائنين، مما يمنح المستخدمين تحكماً كاملاً في منطق التتبع. غالباً ما تُستخدم Norfair في الروبوتات، وتحليل الحركة الرياضية، وملاحة الطائرات بدون طيار، والتطبيقات التي تعتمد بشكل كبير على تتبع معالم الوضع أو النقاط الرئيسية.

Link to this sectionMMTracking#

MMTracking هي مجموعة أدوات تتبع مفتوحة المصدر من فريق OpenMMLab، وهو الفريق الذي يقف أيضاً وراء مكتبات رؤية الحاسوب المستخدمة على نطاق واسع مثل MMDetection. وبناءً على MMDetection، فإنها توفر إطار عمل مرناً لتطوير أنظمة التتبع وتجربتها.

إحدى أكبر نقاط قوتها هي تصميمها النمطي. بدلاً من حبسك في خط معالجة واحد، تتيح لك MMTracking تهيئة مكونات مختلفة وتبديلها، مثل الكاشفات، ووحدات التتبع، وفي بعض الإعدادات نماذج إعادة التعريف. وبسبب هذه المرونة، فهي تحظى بشعبية خاصة في الأبحاث والمشاريع المتقدمة حيث ترغب الفرق في قياس الطرق، أو اختبار أفكار جديدة، أو ضبط خطوط معالجة التتبع.

Link to this sectionFairMOT#

FairMOT هو إطار عمل لتتبع كائنات متعددة مصمم لتتبع العديد من الكائنات في نفس الوقت. على عكس خطوط معالجة التتبع بالاكتشاف التقليدية التي تشغل الاكتشاف أولاً ثم تربط الكائنات عبر الإطارات كخطوة منفصلة، تتعلم FairMOT الاكتشاف وإعادة التعريف معاً في شبكة واحدة.

الشكل 5. كيف يعمل إطار عمل FairMOT (المصدر)

يساعد هذا الإعداد المشترك في الحفاظ على هويات أكثر اتساقاً، خاصة في المشاهد المزدحمة حيث يتداخل الأشخاص غالباً أو يتحركون بسرعة. تُستخدم FairMOT بشكل شائع في سيناريوهات مثل تتبع المشاة ورصد الحشود، كما يتم تطبيقها في إعدادات مثل تحليلات التجزئة ومراقبة حركة المرور، حيث يكون تتبع العديد من الأهداف في الوقت الفعلي أمراً مهماً.

Link to this sectionSiamMask#

SiamMask هي طريقة لتتبع كائن واحد تخطو خطوة أبعد من العديد من المتتبعات من خلال إنتاج قناع تجزئة إلى جانب مربع إحاطة. ببساطة، فهي لا ترسم مستطيلاً حول الهدف فحسب، بل تحدد أيضاً شكل الكائن على مستوى البكسل، وهو ما يمكن أن يكون مفيداً عندما يغير الهدف شكله، أو يدور، أو يصبح مخفياً جزئياً.

الشكل 6. تتبع وتجزئة كائن باستخدام SiamMask (المصدر)

يستخدم هذا النهج تصميم تتبع سيامي، الذي يتضمن قيام المتتبع أولاً بأخذ عرض مرجعي صغير للهدف من الإطار الأول، والذي يسمى غالباً القالب. ثم، في كل إطار جديد، يبحث في منطقة أكبر ويجد البقعة ذات أعلى تشابه مع ذلك القالب.

تبني SiamMask على هذه الفكرة القائمة على المطابقة. كما أنها تتنبأ بقناع على مستوى البكسل للهدف، بحيث تحصل على موقع الكائن ومخطط أكثر دقة أثناء تشغيل الفيديو.

Link to this sectionعوامل رئيسية في اختيار أداة تتبع الكائنات#

مع توفر خيارات متنوعة لأدوات تتبع الكائنات مفتوحة المصدر في مجال الذكاء الاصطناعي اليوم، يعتمد الخيار الأفضل لمشروع رؤية الحاسوب الخاص بك على ما تتطلبه حالة استخدامك المحددة. إليك بعض العوامل التي يجب مراعاتها:

• الدقة: هذا هو الأكثر أهمية في المشاهد المزدحمة أو المعقدة بصرياً، حيث يحتاج نظام الرؤية إلى الحفاظ على معرفات مستقرة حتى أثناء التداخل، أو التغطية، أو الحركة السريعة.
• السرعة: بالنسبة للتطبيقات في الوقت الفعلي مثل الروبوتات، ومراقبة حركة المرور، والتحليلات الرياضية، قد تكون الاستجابة أكثر أهمية من الدقة المثالية.
• سهولة الدمج: بعض أدوات تتبع الكائنات سهلة التشغيل وتعمل ببضعة أسطر من الكود، بينما تتطلب أدوات أخرى المزيد من الإعداد والتهيئة أو عمل خط معالجة مخصص.
• قيود النشر: يمكن أن تحدد البيئة المستهدفة، مثل خوادم GPU، أو أجهزة الحافة، أو أجهزة الهاتف المحمول، أي نهج تتبع عملي.
• قابلية التوسع: إذا كان نظامك يحتاج إلى تتبع العديد من الكائنات في وقت واحد أو معالجة تدفقات فيديو متعددة، فيجب أن يتوسع المتتبع بكفاءة دون انخفاض كبير في الأداء.

تخدم كل أداة أو خوارزمية لتتبع الكائنات غرضاً مختلفاً. في النهاية، يعتمد الاختيار الصحيح على متطلباتك المحددة، وقيود وقت التشغيل، ومقاييس الأداء، ومدى القابلية للتخصيص التي يتطلبها نهج التتبع في مشروعك.

Link to this sectionأبرز النقاط#

تطور تتبع الكائنات من التقنيات اليدوية المبكرة إلى أنظمة التعلم العميق الحديثة اليوم التي تفسر الحركة والهوية والسلوك بدقة مبهرة. كانت الأدوات مفتوحة المصدر قوة دافعة وراء هذا التقدم. فهي تضفي الطابع الديمقراطي على الوصول إلى الخوارزميات القوية، وتشجع على التجريب، وتمكن الباحثين من بناء خطوط معالجة تتبع متطورة دون تراخيص تقييدية أو بنية تحتية ثقيلة.

تحقق من مجتمعنا و مستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي. استكشف صفحات الحلول الخاصة بنا حول الذكاء الاصطناعي في الزراعة و رؤية الحاسوب في التصنيع. اكتشف خيارات الترخيص الخاصة بنا وابدأ في بناء نموذج الرؤية الخاص بك.